基于CT血管成像形态学联合血液炎症指标机器学习模型预测颅内动脉瘤破裂

作     者：陈佳 高宇 王海亮 CHEN Jia;GAO Yu;WANG Hailiang

作者机构：嘉兴市中医医院放射科浙江嘉兴314000 

出 版 物：《中国医学影像技术》 (Chinese Journal of Medical Imaging Technology)

年 卷 期：2025年第41卷第1期

页      面：29-34页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100204[医学-神经病学] 100106[医学-放射医学] 100602[医学-中西医结合临床] 10[医学] 

主　　题：颅内动脉瘤 破裂 炎症 机器学习 前瞻性研究 

摘      要：目的观察基于CT血管成像(CTA)形态学联合血液炎症指标机器学习(ML)模型预测颅内动脉瘤(IA)破裂的价值。方法纳入286例IA,包括破裂组与未破裂组各143例,以其中200例为训练集(含破裂亚组与未破裂亚组各100例)、86例为验证集(含破裂亚组与未破裂亚组各43例)。比较训练集内亚组间CTA形态学参数及血液炎症指标,以逐步logistic回归分析于单因素变量中筛选IA破裂影响因素。基于上述影响因素分别构建逻辑回归(LR)、决策分类回归树(CART)及反向传播神经网络(BPNN)模型;绘制受试者工作特征曲线,计算曲线下面积(AUC),评估各模型预测IA破裂效能。结果中性粒细胞、中性粒细胞-淋巴细胞比率、白介素-10、肿瘤坏死因子α、转化生长因子β,以及IA瘤体宽度、高度及尺寸比均为IA破裂的影响因素(P均0.05),且共线性诊断提示各因素间不存在共线性关系。LR、CART及BPNN模型预测训练集及验证集IA破裂的效能均良好(AUC为0.878~0.993),尤以BPNN模型预测效能最佳(AUC为0.993、0.976)。结论基于CTA形态学联合血液炎症指标ML模型可有效预测IA破裂,尤以BPNN模型最佳。